人工智能导论（本科生）6-1.ppt.pptVIP

第六章不确定性推理 6-1 不确定性推理的基本概念 6-1-1 不确定性推理的含义 处理不确定性信息是智能的本质。 不确定性推理是建立在不确定性知识和证据上的推理。 不确定性推理从不确定的初始证据出发，运用不确定性知识，推出具有一定程度的不确定性但又是合理或基本合理的结论的思维过程。 采用不确定性推理是客观问题的需要，原因是： 知识不完备（对人脑和疾病的认识） 知识不精确 知识描述的模糊性 多种原因导致同一结论 解题方案不唯一 6-1-2 不确定性推理的基本问题 不确定性的表示 （1）知识不确定性表示 要能够比较准确地描述问题本身的不确定性。 要便于推理过程中不确定性的计算。 知识的不确定性通常用一个数值表示：知识应用成功的概率；知识的可信程度。 （2）证据不确定性表示 初始证据 中间结果 概率表示；可信程度。 不确定性匹配 可用知识 计算匹配双方相似程度 组合证据不确定性计算 不确定性更新 如何利用证据和知识不确定性更新结论不确定性。 如何把初始证据的不确定性传递给结论。 不确定性结论的合成 不确定性推理的类型（数值方法） 基于概率论：确定性理论，主观贝叶斯方法，证据理论。 模糊推理 6-2 不确定性推理的概率论基础 略 6-3 确定性理论 1975年美国斯坦福大学E. H. Shortliffe提出CF(certainty factor)模型 6-3-1 可信度的概念 人们根据以往经验对某个事物或现象为真的程度的一个判断或相信的程度。 6-3-2 CF模型 知识不确定性的表示 IF 前提E THEN 结论H ( CF(H,E) ) 前提E可以是一个或多个的复合； 结论H也可以是一个或多个的复合； CF(H,E)称为可信度或规则强度，表示前提对结论为真的支持程度，取值[-1,1]，越大表示支持程度越大。 例： IF 发烧 AND 流鼻涕 THEN 感冒 ( 0.8 ) 可信度的定义 可信度的性质： （1）互斥性 可信度的性质： （2）值域 可信度的性质： （3）典型值 可信度的性质： （4）对H的信任增长度等于对非H的不信任增长度 可信度的性质： （4）可信度不是概率 可信度的性质： （5）证据限制条件 证据不确定性的表示 证据的不确定性也是用可信度来表示的，取值范围是[-1,1]； 证据可信度的来源有以下两种情况： 如果是原始证据，其可信度是由提供证据的人给出的； 如果是推理得出的结论作为证据的，其可信度由推导该结论时不确定性的更新算法计算得出。 证据E的可信度CF(E)的取值含义如下： CF(E)=1，证据E肯定为真； CF(E)=-1，证据E肯定为假； CF(E)=0，不清楚证据E； 0CF(E)1，证据E以CF(E)程度为真； -1CF(E)0，证据E以CF(E)程度为假； 证据不确定性的计算 CF(?E)=–CF(E)； 合取证据 当E=E1 AND E2 AND … AND En ， 则 CF(E)=min{CF(E1), CF(E2), …, CF(En)} 析取证据 当E=E1 OR E2 OR … OR En ， 则 CF(E)=max{CF(E1), CF(E2), …, CF(En)} 不确定性的更新 由证据的不确定性和知识的不确定性计算结论的不确定性，即 IF 前提E THEN 结论H ( CF(H,E) ) 则 CF(H)=CF(H,E)?max{0,CF(E)}； 若CF(E)0，则CF(H)=0； 若CF(E)=1，则CF(H)=CF(H,E)。 结论不确定性的合成 若有知识 IF 前提E1 THEN 结论H ( CF(H, E1 ) ) IF 前提E2 THEN 结论H ( CF(H, E2 ) ) 则结论H的综合可信度由下两步计算得： （1）分别对每条知识求出其CF(H)，即 CF1 (H)=CF(H, E1 )?max{0,CF(E1 )}； CF2 (H)=CF(H, E2 )?max{0,CF(E2 )} 例6.2 (p.177) 作用(p.203)：6-8 * *